亚细胞:用于显微镜的蛋白质感知视觉基础模型捕捉单细胞生物学

科学领域:

• 细胞生物学 细胞生物学
• 生物物理学的生物物理.
• 计算生物学是一种计算生物学.

背景情况:

• 细胞形态和蛋白质组织对于理解细胞功能至关重要.
• 光显微镜产生了大量的数据集来研究这些特征.
• 机器学习 (ML) 为解释显微镜图像提供了强大的工具.

研究的目的:

• 介绍SubCell,一个自我监督的深度学习模型套件用于光显微镜.
• 准确捕捉细胞形态,蛋白质定位,组织和功能.
• 从图像数据开发蛋白质组织的全蛋白质层次地图.

主要方法:

• 在人类蛋白质图谱中训练有素的深度学习模型,对全蛋白质组的图像收集.
• 在模型训练中使用了一种新的蛋白质体意识学习目标.
• 集成的子细胞与蛋白质序列模型用于多模式表示.

主要成果:

• 亚细胞精确地捕获了超出人类感知范围的细胞特征.
• 在单细胞生物学任务中超越了最先进的方法.
• 从图像数据中构建了蛋白质组织的第一个全蛋白体层次地图.
• 在没有微调的情况下实现了对各种光显微镜数据集的概括.
• 通过多模式蛋白质表示实现了全面的基因功能捕获.

结论:

• SubCell提供了细胞架构的深度,图像驱动的表示.
• 开发的细胞地图定义了子系统,揭示了蛋白质功能,并区分了细胞行为.
• 亚细胞的多模式方法增强了对基因功能的理解.
• 这些模型适用于各种生物背景和数据集.